基于支持向量机债券时间序列预测.docVIP

基于支持向量机债券时间序列预测摘要：金融时间序列数据的预测是商业领域的热点问题，债券市场又是金融市场的一个重要组成部分，因此对债券数据进行准确的预测，对金融投资决策与风险管理都具有特别重要的意义。基于近期样本数据远比早期重要的特点，以及兼顾训练样本数据时所需的局部性和全局性，通过分别赋予高斯径向基核和多项式核随时间动态调整的权重值，将两者组合起来构造出了一个新的组合核函数以提高模型的预测准确度。研究表明，与单个核函数相比，新构造的组合核函数具有更优越的性能。 关键词：支持向量机 债券数据预测 组合核函数 中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2013）02-0191-02 随着经济的发展和人们投资观念的转变，债券市场成为了最受欢迎的投资方式之一。债券价格的波动直接关系到投资者的收益情况，而对一个国家来说，债券价格的波动甚至有可能导致债券危机，给国家和人民带来严重的经济损失。为此，对债券的预测研究无论对散户投资者，还是政府相关政策的制定都具有深刻的理论意义和重要的应用价值。 支持向量机（SVM）是一种新兴的数据挖掘技术，在高维模式识别、回归估计等方面表现出特有的优势。核函数是影响SVM 性能的关键因素，目前，尚未存在一个核函数可以兼顾学习能力和泛化能力。因此，选择与给定问题相适合的核函数是一个难题。 本文结构安排如下：第一节介绍对相关工作的研究并构造新的组合核函数；第二节简述实验准备过程；第三节讲述实验及其结果，并给出分析；最后，对本文进行了总结与展望。 1 相关工作 Trafalis T和Ince H等人[1-3]用支持向量机方法对股票价格进行了预测研究，并与ARIMA模型进行了对比，实验结果表明支持向量机的预测精度要比ARIMA高很多。Chen S等人[4]将基于GARCH模型的SVR对纽约证券交易所综合指数进行预测，并与单个GARCH模型、MA模型、神经网络进行了对比，结果表明新的模型具有更好的预测性能。 1.1 核函数的构造理论 核函数在很大程度上影响着SVM的性能，因此核函数的构造及其相应参数的选取是构造SVM模型的重要内容。 因为多项式核和径向基核函数分别是典型的全局核函数和局部核函数，而且计算和性能上都有很大优势，所以把他们组合起来构造一个新的核函数，使其具有较好的性能。根据核函数的性质，核函数的线性组合仍是核函数。 考虑到债券数据近期的样本数据远比早期的重要这一点，要保证近期样本数据点充分的训练学习，高斯径向基核函数应该占较大的比重，多项式核占的比重相对就少，相反，早期数据样本点对应的高斯径向基核的比重相应的要下降，全局性相对加强，因为它对预测值的影响远没近期样本数据重要。我们定义如下： （1.1） 其中i是样本序数，n代表样本数量，k是控制上升速率的参数。i=1的样本是最远的样本训练数据，i=n的样本是最近数据，如图1所示。 构造新的混合核函数： （1.2） 2 实验准备与过程 本文使用快速有效的SVM模式识别与回归的软件包LIBSVM来实现训练算法。 2.1 数据预处理 本文选取04年记账式国债（10）期从08年03月14日至11年11月4日的799个数据为研究对象，输入特征向量为开盘价、收盘价、最高价、成交量、最低价。输出为下一日收盘价。 2.2 评价标准 本节采用均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、相关系数（Squared Correlation Coefficient，SCC）作为评价标准。其中RMSE、MAE值越小表示预测精度越高；SCC值越大表示预测值与实际值相关程度越高，拟合的越好。如式（1.3）所示，n代表样本数。T和P分别表示实际值和预测值。 （1.3） 3 实验结果分析 实验中，新构造核的参数取k=10，通过单个多项式核（Poly）和高斯径向基核（RBF）与新构造核进行预测对比，如表2所示。 从表2可以看出：整体上来看多项式核与高斯径向基核的差距并不是很明显。而新构造的混合核，在评价标准RMSE、MAD和SCC上都具有比单核都更出色的学习能力和预测精度。 从（图2）的预测效果对比图可以看出，和多项式核相比高斯径向基核在前20步拟合的较好，到后面拟合的稍差，因为局部的高斯径向基核的泛化能力不如全局的多项式核，而在后面多项式核的拟合效果比较好。而新构造的混合核，前面比高斯径向基核表现略差，后面比多项式核表现略差，但是整体上表现出了它的优越性能，比较稳定，有着更出色的学习能力和预测精度。 4 总结及展望